فایل ورد کامل ویژگی ‌های مقاوم تسریع ‌شده (SURF)

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل ویژگی ‌های مقاوم تسریع ‌شده (SURF)،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۱ صفحه

۶ نتیجه‌گیری و چشم‌انداز
ما یک آشکارساز و توصیفگر نقطه موردعلاقه نامتغیر با مقیاس و چرخش سریع و کارا ارائه کردیم. این گین سرعت مهم به دلیل استفاده از تصاویر انتگرال است که به‌طور مؤثری تعداد عملیات را برای کانولوشن‌های جعبه‌ای ساده، مستقل از مقیاس انتخاب‌شده کاهش می‌دهد. نتایج نشان دادند که عملکرد تقریب هسین ما قابل‌مقایسه و اغلب بهتر از آشکارسازهای نقطه موردعلاقه پیشرفته است. تکرارپذیری بالا برای خودکالیبراسیون دوربین که در آن یک آشکارسازی نقطه موردعلاقه دقیق تأثیر مستقیمی بر روی دقت خودکالیبراسیون دوربین و درنتیجه روی کیفیت مدل سه‌بعدی حاصل دارد سودمند است.
بااین‌حال، مهم‌ترین پیشرفت (بهبود) سرعت آشکارساز است. حتی بدون هیچ بهینه‌سازی اختصاصی، یک محاسبه تقریباً زمان واقعی بدون کاهشی در عملکرد به دست آمد، که نشان‌دهنده مزیت مهمی برای بسیاری از کاربردهای بینایی کامپیوتر آنلاین است.

عنوان انگلیسی:Speeded-Up Robust Features (SURF)~~en~~

۶ Conclusion and outlook

We presented a fast and performant scale and rotationinvariant interest point detector and descriptor. The important speed gain is due to the use of integral images, which drastically reduce the number of operations for simple box convolutions, independent of the chosen scale. The results showed that the performance of our Hessian approximation is comparable and often better than the state-of-theart interest point detectors. The high repeatability is advan tageous for camera self-calibration, where an accurate interest point detection has a direct impact on the accuracy of the camera self-calibration and therefore on the quality of the resulting 3D model. The most important improvement, however, is the speed of the detector. Even without any dedicated optimisations, an almost real-time computation without loss in performance was achieved, which represents an important advantage for many on-line computer vision applications.

$$en!!